什么是好的数据指标

什么是好的数据指标

1. 好的数据指标是比较性的

如果能比较某数据指标在不同的时间段、用户群体、竞争产品之间的表现，你可以更好地洞察产品的实际走向。“本周的用户转化率比上周高”显然比“转化率为2%”更有意义

2. 好的数据指标是简单易懂的

如果人们不能很容易地记住或讨论某指标，那么通过它来改变公司的作为会十分困难

3. 好的数据指标是一个比率

会计和金融分析师仅需迅速查看几个比率就能对一个公司的基本情况做出判断。你也需要几个这样的比率来为创业公司打分。比率之所以是最佳的数据指标，有如下几个原因：

• 比率的可操作性强，是行动的向导。 以开车为例：里程透露的只是距离信息，而速度才真正具有可操作性。因为速度告诉你当前的行驶状态，以及是否需要调整速度以确保按时抵达
• 比率是天生的比较性指标。如果将日数据与一个月的数据相比较，你会得知该数据当前经历的是一个短期的突跃，还是一个长期的渐变。再以开车为例：速度是一个数据指标。可只有将当前速度与最近一小时的平均速度进行比较时，才能确知你在加速还是减速。
• 比率还适用于比较各种因素间的相生和相克（正相关和负相关）。就开车而言，单位时间内行驶里程数/罚单数这个比率显示了二者的关联性。你开得越快，行驶的里程就越多，但收到的罚单也越多。这个比率可以帮你决定是否应该超速。

4. 好的数据指标会改变行为

这是最重要的评判标准：随着指标的变化，你是否会采取相应的举措？

• 将日销售额之类的“会计”指标纳入财务报表，有助于进行更准确的财务预测。这些指标是精益创业中创新会计的基础，它们能告诉你当前的状态离理想的商业模型有多远，实际结果是否印证了你的商业计划书
• “试验”指标，如一个测试的结果，其作用在于帮助你优化产品、定价以及市场定位。这些数据的变化会极大地影响你接下来的动作。这要求你在收集数据之前就先行确定好针对各种不同情况的应变措施。例如，如果把网站做成粉色调能带来更多的营收，你就该把它做成粉色调；如果半数以上的反馈表明用户不会为某功能付费，你就要决定不去开发此功能；如果悉心打造的最小可行化产品不能将订单量提高30%，你就应该试试其他方法。

学会根据数据确定一条做与不做的准绳，对规范你的创业行为大有裨益。一个好的数据指标之所以能改变商业行为，是因为它与你的目标是一致的：保留用户，鼓励口碑传播，有效获取新用户，或者创造营收。

想要找出正确的数据指标，有五点需要牢记在心

1. 定性指标与量化指标

定性指标通常是非结构化的、经验性的、揭示性的、难以归类的；量化指标则涉及很多数值和统计数据，提供可靠的量化结果，但缺乏直观的洞察

定量数据排斥主观因素；定性数据吸纳主观因素

2. 虚荣指标与可付诸行动的指标

虚荣指标看上去很美，让你感觉良好，却不能为你的公司带来丝毫改变。相反，可付诸行动的指标可以帮你遴选出一个行动方案，从而指导你的商业行为

8个需要提防的虚荣数据指标（模式）

(1) 点击量。这是互联网洪荒年代所使用的指标，随便什么网站，只要上面可点的东西多，这个数字都会很高。相比之下，你更应该统计点击的人数。

(2) 页面浏览量（PV值）。这个指标只比点击量稍好一点点，因其统计的是网页被访客请求的次数。除非你的商业模式直接与PV挂钩（即展示广告），你还是更应统计（访问的）人数。

(3) 访问量。你的100访问量究竟是来自于1个访问了100次的用户，还是100个访问了1次的用户？它无法指导行动。

(4) 独立访客数。只能显示有多少人访问了网页，却不能告诉你这些人在页面上做了什么？他们为什么停留？是否离开了？

(5) 粉丝/好友/赞的数量。 计算粉丝/好友的数量只是一场毫无意义的人气比赛，除非你能让他们做对你有利的事。你在社交平台上振臂一呼时，有多少粉丝会响应？只有知道了这个数字，他们对你才有意义。

(6) 网站停留时间（time on site）/ 浏览页数（number of pages）。 用这两个指标来替代客户参与度或活跃度并非明智之举，除非你的商业模式与这两个指标相绑定。而且，它们并非一定能说明问题。比如，客户在客服或投诉页面上停留了很长时间，不见得是什么好事。

(7) 收集到的用户邮件地址数量。有很多人对你的创业项目感兴趣，这很好。但是，如果不知道他们当中有多少人会真正打开你的邮件（并为你邮件中的内容买单），纵使有再多人在你的邮件列表上也是枉然。更好的做法是：向一部分注册用户发送测试邮件，看他们是否会按照邮件中的提示去做。

(8) 下载量。 尽管有时候会影响你在应用商店中的排名，但下载量本身并不带来价值；你需要衡量的是：应用下载后的激活量、账号的创建量等等。

3. 探索性指标与报告性指标

探索性指标是推测性的，提供原本不为所知的洞见，帮助你在商业竞争中取得先手优势。报告性指标则让你时刻对公司的日常运营、管理性活动保持信息通畅、步调一致。

4. 先见性指标与后见性指标

先见性指标用于预测未来；后见性指标则用于解释过去。相比之下，我们更喜欢先见性指标，因为你在得知数据后尚有时间去应对——未雨绸缪，有备无患。

5. 相关性指标与因果性指标

如果两个指标总是一同变化，则说明它们是相关的；如果其中一个指标可以导致另一个指标的变化，则它们之间具有因果关系。如果你发现你能控制的事（比如播放什么广告）和你希望发生的事（比如营收）之间存在因果关系，那么恭喜你，你已经拥有了改变未来的能力。

分析师特别关心那些能推动公司业绩增长的指标，即关键绩效指标（KPI）。每个行业都有自己的关键绩效指标

市场细分、同期群分析、A/B测试和多变量分析

测试是精益数据分析的灵魂。通常，测试就是通过市场细分、同期群分析或A/B测试来比较两个样本的不同。

• 市场细分

  简言之，细分市场就是一群具有某种共同特征的人。

• 同期群分析

  同期群：相同时间段内，具有共同行为特征的用户划分为同一个群体。

  同期群分析比较的是相似群体随时间的变化。产品会随着你的开发和测试而不断迭代，这就导致在产品发布的第一周就加入的用户和后来才加入的用户有着不同的体验。

  同期群分析使你能够观察处于生命周期不同阶段客户的行为模式，而非忽略个体的自然生命周期，对所有客户一刀切。同期群分析适用于营收、客户流失率、口碑的病毒式传播、客户支持成本等任何你关注的数据指标。

• A/B测试和多变量测试

  比较不同群体的同期群试验被称为纵向研究，因为数据是沿着客户群体的自然生命周期收集的。相对应地，横向研究是指在同一时间段对不同被试群体提供不同的体验。

  假设其他条件保持不变，仅考虑体验中的某一属性对被试用户的影响，就是A/B测试。

  A/B测试看似简单易行，实则有一个软肋。只有用户流量巨大的大型网站（如微软必应、谷歌）能对单一的因素（如链接的颜色、网页速度）进行测试并迅速得到答案。如果没有庞大的用户流量，你将需要测试很多因素。这可能包括网页的色调，触发用户行为的链接文字，图片效果的等。

  进行一连串的单独测试会延长你走向成熟的周期。与其如此，不如采用多变量分析法同时对多个属性进行测试，其原理为，用统计学方法剥离出单个影响因素与结果中某一项指标提升的相关性。

  注意：A/B测试能够实现的情况实际上基于两个前提：第一，统计意义的前提。当样本量足够大时，其他变量对自变量和因变量的关系影响会无限小；第二，测试响应速度的前提。用户量足够大时，对A/B测试的响应速度足够快，能够获取测试数据并用数据指导行动的效率足够高。这也就是大型公司更容易通过A/B测试进行产品迭代的原因之一。

精益数据分析的核心在于如何寻找到一个有意义的指标，然后通过试验改善它，直到令你满意；之后，转而解决下一个问题，或者步入创业的下一个阶段。整个周期如图所示：

最终你将找到一个可将续、可复制、持续增长的商业模式，并且学会如何迭代它。